Ensemble of 3D densely connected convolutional network for diagnosis of mild cognitive impairment and Alzheimer’s disease
集合3Ddensenet在轻度认知障碍和阿尔茨海默病诊断中的应用
发表时间：2019年 发表期刊：Neurocomputing
论文主要思想以及贡献：
提出了用于AD和MCI诊断的3D-densenet的集合。 引入densnet以提高特征利用率，由于每层中较少的特征增量和较少的参数，网络可能更深。 此外，集合方法可以降低选择单个分类器的误识别风险。
（1）我们将密集连接(densely connected)集成到深度3D卷积网络内层之间的最大信息和梯度流动，并用3D-DenseNet来训练AD和MCI检测模型。 由于参数较少，网络更容易训练并避免过拟合。
（2）我们提出了一种新的3D-DenseNet集合来提高痴呆症检测模型的性能。 它是通过改变基本3D-DenseNets的最佳值周围的超参数和架构来构建的。
（3）我们设置了足够的实验并详细分析了影响3D-DenseNet性能的主要因素。 证明了初级超参数对模型性能的影响。 我们揭示了密集连接在提高3D网络性能方面的重要作用。
1.model
以densenet为基础
作者提出在二分类问题上，采用多个分类器集合的测评效果比单独一个分类器所得出的测评效果更好，但是对于多分类问题(AD,MCI,NC)往往却相反。例如，考虑三个分类器，{AD，MCI，Normal}的softmax输出概率为I：{0.8,0.1,0.1}，II：{0.4,0.5,0.1}，III：{0.3,0.4，0.3}。 基于多数表决方法，预测结果是MCI。 但并不完全正确，因为分类器I的预测结果更可信，而II和III具有更多的不确定性。作者提出了基于概率的集合方法，分配给测试集上的类别的3D DenseNeti的概率为：
最终的类标签由所提出的融合模型确定如下：
网络结构图
2.数据集
实验结果
3.结论
在本文中，我们开发了一个3D卷积网络集合，涉及密集连接，以使用脑MR图像识别AD和MCI。 AD和MCI之间的区别可以帮助识别不同类别的痴呆症并采取适当的治疗方法。为了解决有限训练数据的问题，我们引入了与3D-CNN的密集连接。密集连接通过网络改善信息和梯度传播，然后由于参数较少而使网络更容易训练。进行了广泛的对比实验，以分析参数对3D-DenseNet性能的影响。此外，通过改变超参数初始化和架构来构造每个基础3D-DenseNet。基于概率的融合方法用于组合基础分类器。与简单的网络预测平均值相比，集合模型实现了明显的准确性提升。实验结果表明，我们提出的模型在所有四个分类任务中都优于以前的方法。